Integrating Linear Regression and Multi-Criteria Decision Making for Assessing Financial Statement Risks in Manufacturing Firms

Sintesi Tecnica: Integrazione della Regressione Lineare e del Processo Decisionale Multicriterio per la Valutazione dei Rischi dei Rendiconti Finanziari nelle Imprese Manifatturiere

Definizione del Problema
La valutazione della performance finanziaria nelle imprese manifatturiere affronta una frammentazione metodologica. La letteratura esistente tipicamente separa due approcci critici:

1. Modelli Teorici con Sconto Temporale: Questi incorporano rigorosamente il valore temporale del denaro (TVM), ma spesso si basano su ipotesi eccessivamente semplificate che non riescono a catturare la natura multidimensionale e interdipendente dei criteri decisionali economici, operativi e gestionali.
2. Metodi di Pesatura Basati su Esperti (es. AHP): Questi forniscono classifiche descrittive dei criteri basate sul giudizio degli esperti, ma mancano di una validazione empirica riguardo alla loro reale influenza sui risultati delle performance scontate.

Esiste un vuoto critico nella letteratura riguardante un framework integrato che colleghi quantitativamente la teoria economica del discounting temporale con l'analisi dei dati di molteplici criteri di valutazione. I modelli lineari tradizionali e i ratio storici spesso non riescono a catturare relazioni complesse, mentre gli approcci di pura IA possono mancare di interpretabilità. Questo studio affronta la necessità di un metodo trasparente e interpretabile che combini il discounting teorico con la regressione empirica per valutare l'efficienza dei sistemi di controllo e i rischi finanziari.

Metodologia
Il framework proposto impiega un approccio ibrido che combina modelli di discounting deterministici con l'analisi della regressione lineare.

1. Modello di Discounting Teorico:
   Lo studio sviluppa innanzitutto un modello per convertire i costi e i benefici che avvengono in tempi diversi in termini di valore attuale utilizzando funzioni di interesse composto. Il modello tiene conto di tre tipi di flussi finanziari:

   • Spese una tantum: Scontate utilizzando la funzione di beneficio $\theta(t) = (1 + \alpha)^{-t}$.
   • Costi proporzionali al tempo (es. risparmi operativi): Modellati come flussi continui integrati nel tempo, producendo un valore scontato totale $r' = I\tau(1 - e^{-t/\tau})$, dove $\tau = 1/\ln(1+\alpha)$.
   • Strutture di costo complesse (es. sviluppo del sistema): I costi sono attribuiti a un "centro di gravità" della durata del progetto ($t_y$). Il costo scontato all'avvio è calcolato come $C'_y = C_y(1 + \alpha)^{0.5t_y}$.

2. Integrazione della Regressione Lineare:
   Per valutare empiricamente come queste performance economiche scontate siano influenzate da molteplici criteri, lo studio utilizza la regressione lineare come metodo di approssimazione.

   • Variabili: La variabile dipendente è l'effetto economico scontato ($\bar{R}_i$). Le variabili indipendenti sono i Punteggi di Peso Medio (AWS) derivati dalle valutazioni degli esperti. Questi includono pesi per i criteri primari (es. Struttura dei Costi, Rischio di Investimento, Affidabilità, Flusso di Cassa) e i criteri secondari.
   • Specificazione del Modello: La relazione è modellata come:
     $$\bar{R}_i = \beta_0 + \beta_1 CSR_i + \beta_2 LR_i + \beta_3 IR_i + \beta_4 CFR_i + \varepsilon_i$$
     Dove $\beta_j$ rappresentano i coefficienti di regressione che quantificano il contributo marginale di ciascun criterio alla performance economica complessiva scontata.
   • Stima: I coefficienti sono stimati utilizzando i Minimi Quadrati Ordinari (OLS). Lo studio fa anche riferimento alla regressione Ridge come potenziale estensione per gestire la multicollinearità, sebbene i risultati principali presentati si basino sulla formulazione standard OLS.

Risultati Chiave

• Quantificazione dell'Influenza dei Criteri: L'analisi di regressione quantifica con successo il contributo di specifici criteri (come la struttura dei costi e il rischio di investimento) alla performance economica scontata complessiva. I coefficienti forniscono una base trasparente per classificare i criteri in base al loro reale impatto economico piuttosto che solo in base alla loro importanza teorica.
• Fit del Modello e Linearità: In un'analisi preliminare dei pesi dei criteri, lo studio ha osservato che, sebbene la relazione tra rango e peso non sia perfettamente lineare per le prime posizioni (dove i criteri con il rango più alto portano pesi sproporzionatamente grandi), la relazione diventa più vicina alla linearità dal quinto rango in poi. Il coefficiente di determinazione complessivo ($R^2 \approx 0.55$) indica un fit lineare moderato, suggerendo che, sebbene la regressione lineare funga da utile base di partenza, essa cattura solo una parte della varianza.
• Interpretabilità: Il modello colma con successo il divario tra i principi astratti di discounting e i dati empirici. Dimostra che i pesi derivati dagli esperti possono servire come variabili esplicative efficaci per prevedere i risultati economici scontati.

Significatività e Rivendicazioni
Il documento sostiene che questo framework integrato offre un avanzamento pratico nella valutazione della performance finanziaria per le imprese manifatturiere poiché:

• Collega Teoria e Dati: Connette i principi teorici del discounting temporale con i dati empirici, superando i limiti dei modelli puramente teorici (che semplificano eccessivamente le interazioni) e dei metodi di pesatura degli esperti indipendenti (che mancano di validazione empirica).
• Migliora il Processo Decisionale: Fornendo una classificazione trasparente e basata sui dati dei criteri di valutazione in base ai loro contributi economici marginali, l'approccio supporta un processo decisionale più robusto e basato sull'evidenza riguardo all'efficienza dei sistemi di controllo e all'allocazione delle risorse.
• Migliora l'Interpretabilità: A differenza dei modelli di machine learning "black box", questo approccio di regressione lineare mantiene un'alta interpretabilità, permettendo ai manager di comprendere esattamente come fattori quali la struttura dei costi o le caratteristiche del flusso di cassa influenzino la performance finanziaria.

Gli autori mantengono una posizione modesta, riconoscendo che il modello lineare è un'approssimazione. Essi notano che il framework assume relazioni lineari e che la ricerca futura potrebbe migliorare l'accuratezza predittiva incorporando relazioni non lineari, modelli di dati panel dinamici o calibrazioni specifiche per settore. Lo studio non pretende di sostituire l'IA avanzata, ma piuttosto di fornire una base interpretabile che utilizzi efficacemente i dati degli esperti all'interno di un rigoroso quadro economico.